Discussão do artigo "Redes neurais em trading: Transformer vetorial hierárquico (HiVT)"

[MetaQuotes]

Novo artigo Redes neurais em trading: Transformer vetorial hierárquico (HiVT) foi publicado:

Apresentamos o método Transformer Vetorial Hierárquico (HiVT), desenvolvido para a previsão rápida e precisa de séries temporais multimodais.

Os desafios enfrentados na área de condução autônoma são muito semelhantes aos encontrados no trading. A navegação em condições dinâmicas com manobras seguras é uma tarefa crítica para esses veículos. Para alcançar esse objetivo, esses veículos precisam compreender o ambiente ao redor e prever eventos futuros na estrada. No entanto, prever com precisão as manobras dos participantes do tráfego, como carros, bicicletas e pedestres, é uma tarefa complexa, especialmente quando suas metas ou intenções são desconhecidas. Em cenários de tráfego com múltiplos agentes, o comportamento de cada um deles é influenciado por interações complexas com os demais, o que se torna ainda mais complicado devido às regras de trânsito dependentes do mapa. Isso torna extremamente difícil compreender a diversidade de comportamentos dos vários agentes na cena.

Pesquisas recentes utilizam uma abordagem vetorial para representar cenas de maneira mais compacta, extraindo um conjunto de vetores ou pontos a partir das trajetórias e elementos do mapa. No entanto, as abordagens vetorizadas existentes enfrentam dificuldades ao realizar previsões de movimento em tempo real em condições de tráfego em rápida mudança, pois esses métodos geralmente são instáveis em relação a alterações na posição e na orientação do sistema de coordenadas. Para mitigar esse problema, as cenas são normalizadas para que fiquem centralizadas no agente-alvo e alinhadas com a direção de seu movimento. No entanto, esse método se torna problemático quando é preciso prever o movimento de um grande número de agentes na cena, devido ao alto custo computacional da renormalização constante da cena e do recálculo das características para cada agente-alvo. Além disso, os trabalhos existentes modelam as interações entre todos os elementos em todas as dimensões de espaço e tempo para capturar detalhadamente as interações entre os elementos vetorizados, o que inevitavelmente leva a um aumento excessivo do custo computacional à medida que o número de elementos aumenta. Como previsões precisas em tempo real são críticas para a segurança da condução autônoma, muitos pesquisadores buscam elevar esse processo a um novo patamar, desenvolvendo uma estrutura inovadora que permita prever de forma mais rápida e precisa os movimentos de múltiplos agentes.

Um desses métodos foi apresentado no artigo "HiVT: Hierarchical Vector Transformer for Multi-Agent Motion Prediction". Ele utiliza simetrias e uma estrutura hierárquica para a tarefa de previsão do movimento de múltiplos agentes. Os autores do HiVT abordam o problema da previsão de movimento em várias etapas, modelando hierarquicamente as interações entre os elementos por meio de um Transformer.

Autor: Dmitriy Gizlyk